Geçici sipariş Hüküm Model tabanlı Analizi ile Dikkat ve Görsel İşleme Hızı Ölçme

Bu protokolün genel amacı, neredeyse keyfi uyaranlar için dikkat ve görsel işleme parametrelerini ölçmektir. Bu, zamansal düzen kararlarından, TOJ'lardan elde edilen verilerin modellenmesiyle gerçekleştirilir. Bunlarda katılımcılar iki hedefin sunum sırasını değerlendirir, elde edilen veriler, dikkatin uyaran kodlama oranlarını nasıl etkilediğini ölçmeye izin veren yeni bir modelle analiz edilir.

Bundesen'in görsel dikkat kuramı, dikkat ağırlığı ve işlem hızları gibi parametreler için çeşitli kullanım sağlar. Tipik olarak bunlar, harflerin veya rakamların kullanıldığı, harfler veya rakamlar dışında herhangi bir şey kullanmanın zor olduğu ve yoğun eğitim gerektirdiği ve bu nedenle nadiren yapıldığı öğe raporu görevlerinde tahmin edilir. Örneğin, bu yöntemle görsellerin belirginliğini ve açılır ekranları nasıl ölçeceğinizi hayal etmek zor.

Bu nedenle, neredeyse keyfi uyaranlarla yürütülebilen zamansal düzen yargısını kullanan yeni bir TVA tabanlı yöntem öneriyoruz. Zamansal düzen yargıları, dikkati değerlendirmek için uzun süredir kullanılmaktadır, ancak TVA ile birleştiğinde, kolayca yorumlanabilir parametreler sağlayarak daha güçlü hale gelirler. Zamansal düzen yargılama görevinde, burada A ve B olarak tanımlanan iki uyaran, yakın bir şekilde art arda veya eşzamanlılık içinde gösterilir.

Zamansal düzen algısı, bağımsız bir kanallar modeli ile modellenebilir. Böyle bir modelde, her hedef için bağımsız işleme kanalları vardır. Bir sipariş karşılaştırıcısı, kanalları izler ve belirli bir hedef, burada A, diğer hedeften önce ona ulaştığında sayımı kaydeder.

Bu gösterilmeden önce, deneysel verilerin tipik olarak temsil edildiği formu kısaca açıklıyoruz. Belirli bir yargı türünün göreceli frekansı, burada bir ilk, iki hedefin sunumları arasındaki zaman aralığı olan SOA'ya bağlı olarak çizilir. Şimdi, büyük bir negatif SOA ile, burada bu, A uyarıcısının yol açtığı anlamına gelir, büyük olasılıkla A'nın karşılaştırıcıya ilk gelmesi muhtemeldir.

Sadece çok nadiren uyaran B daha erken gelir. Bu nedenle, bire yakın bir göreceli frekansı temsil eden bir veri noktası elde ederiz. Büyük bir pozitif SOA, yani uyaran B lead'leri için, karşılaştırıcı A ilk sonuçlarını çok nadiren kaydeder.

Bu nedenle sıfıra yakın bir veri noktası elde ederiz. SOA sıfır ise, hedefler aynı anda sunulur ve beşinci nokta şans seviyesinde bir veri noktası kaydedilir. SOA'lar bir değer aralığına göre değiştiğinde, ortaya çıkan model psikometrik bir işlevle tanımlanabilir.

Şimdi, dikkat bir uyarana yönlendirildiğinde, burada, uyaran A, karşılaştırıcıya daha erken ulaşır, sonuç olarak, burada SOA sıfır için gösterilen, A'nın ilk yargı olasılığı artar. Bu, tüm psikometrik işlevi değiştirir. Kırmızı eğrinin beşinci nokta seviyesini geçtiği SOA, genellikle dikkatin etkisini ölçmek için alınır.

Zamansal otomatik yargı, algısal gecikmeyi değerlendirmenin doğal yolu gibi görünmektedir ve dikkat ve zaman algısının etkisi ile ilgili birçok soru bu yöntemle cevaplanmıştır. Bununla birlikte, TOJ'un merkezi bir zayıflığı vardır ve bu onun göreceli doğasıdır. Zamansal otomatik algı bize uyaran A'nın uyaran B'den önce algılandığını söyleyebilir, ancak bize nedenini söylemez.

Bunun nedeni, uyaran A'nın daha hızlı işlenmesi veya B'nin daha yavaş işlenmesi olabilir. Açıklayıcı gücü artırmak için, görsel uyaranların kodlama süreçlerini modelleyen TVA'dan bir TOJ modeli türetilmiştir. Her kanalda, kodlamanın TVA'nın üstel yarış modeline göre ilerlediği varsayılır.

Her bir hedefi belirli bir süre içinde kodlama olasılıkları, bir hedefi diğerinden önce kodlama olasılığına dönüştürülür. Zamansal düzen algısı. Daha da önemlisi, TVA'dan miras alınan iki oran parametresi, daha hızlı işlenen katılımlı uyaran mıydı, yoksa yavaşlayan katılımsız mıydı?

Alternatif olarak, oranlar göreceli dikkat ağırlıkları olarak da ifade edilebilir. Araştırma sorusuna göre uyaranları seçin. Genel olarak, ekranda farklı konumlarda iki hedef göstermek mümkün olmalıdır.

Bu protokolün ilerleyen bölümlerinde, açılır ekranlar, doğal görüntüler ve harf hedefleriyle yapılan deneylerden elde edilen sonuçları gösteriyoruz. Doğal görüntülerdeki eylem alanı ve arka plan nesnelerinin nasıl kullanılabileceğine dair bir örnek aşağıda verilmiştir. Her iki hedefin de bulunduğu fotoğraf, onlarsız bir tanesinin üzerine serilir.

Nesneler, üst görüntü yerel olarak saydam hale getirilerek sanal olarak kaldırılır. Bu yordamla, önce arka plan, önce eylem alanı ve eşzamanlı sunum ile TOJ'lar oluşturmak için hem hiçbirinin hem de hiçbirinin ve iki nesneden birinin mevcut olduğu görüntüler oluşturulur. Deneyin tasarımını ve örneklem büyüklüğünü planlamak için bir Bayes kuvvet analizi yapılabilir.

Verileri tekrar tekrar simüle edin ve amaçlanan model, deney tasarımı ve varsayımsal parametrelerle eşleştirin. Bir başarı kriterine ulaşılan simülasyonların oranları, örneğin dikkat ağırlıklarındaki bir fark, deneyin gücünü tahmin etmek için kullanılır. Deneyi uygulamak için bir deney oluşturucu veya psikofiziksel sunum kitaplığı kullanın.

Açık kaynaklı deney oluşturucu OpenSesame için, yalnızca deneme tablosunun belirtilmesi gereken harfler, rakamlar ve şekiller içeren TOJ için bir tane tedarik ediyoruz. Ayrıca, doğal görüntülere sahip TOJ'lar için bir OpenSesame örneği de sunuyoruz. Her koşul için, planlanan tüm SOA'lar için denemeler oluşturun.

Örnek SOA dağılımları temsili sonuçlarda gösterilmiştir. İki hedef prob ve referans olarak tanımlanır. Referans her zaman sıfırda gösterilir ve gözetimsiz hedeftir, oysa prob uyaranı dikkat manipülasyonuna tabidir.

Negatif SOA ile yapılan denemelerde, önce prob uyaranını ve SOA'dan sonra referans uyaranı sunun. Pozitif SOA'larla yapılan denemeler için, önce referans uyaranı ve bir gecikmeden sonra probu SOA'ya göre sunun. Sıfır SOA'sı için her iki hedefi de aynı anda sunun.

Tarafsız koşullarda, prob ve referans ataması keyfidir, ancak verileri analiz etmek için gereklidir. Tüm SOA'ların tekrarlarını oluşturun. Uyaran konumu veya hedef kimlik gibi etkili olmayan etkileri rastgele hale getirin veya sistematik olarak değiştirin.

Tekrarlama sayısı, katılan güce bağlıdır. Bir saat içinde yaklaşık 800 deneme sunulabilir. Daha fazla tekrar gerekiyorsa, denemeyi birkaç oturuma bölmeyi düşünün.

Katılımcılara hoş geldiniz deyin ve onları deneyin genel prosedürü hakkında bilgilendirin. Katılmak için onay alın. Normal veya normal görüşe göre düzeltilmiş olduklarından emin olun.

Deney için sessiz bir kabin sağlayın. En uygun koşulları sağlamak için sandalyeyi, çene desteğini ve klavyeyi vb. ayarlayın. Katılımcıların, deneylerin dikkat ve zihinsel odaklanma gerektirdiğini ve yorucu olabileceğini fark etmelerini sağlayın.

Gerektiğinde kısa molalar vermelerini isteyin. Sunumları ve yanıt toplamayı detaylandıran ekran talimatlarını sunun. Katılımcılara görevin hedeflerin algılanan zamansal sırasını rapor etmek olduğunu hatırlatın ve sırayı hiç söyleyemedikleri denemelerde tahminde bulunun.

Denemeler sırasında göz hareketlerinden kaçınmak için, katılımcılardan ekranda her gösterildiğinde merkezi bir işaretleyici sabitlemelerini isteyin. Başlarını çene desteğine yaslamalarını isteyin. Gerekirse kısa molalar vermelerini isteyin.

On ila 20 deneme ile kısa bir eğitim gerçekleştirin. Katılımcıların görevi anladığını onaylayın. Açıklasınlar.

Başka soruları yoksa, ana deney için kabini terk edin. Deneme bazında verileri prob ilk kararlarının sayımlarına dönüştürdükten sonra, istenen Beyesian hiyerarşik modeli çalıştırılarak parametreler tahmin edilebilir. İşlem tamamlandıktan sonra, tüm parametreler için yakınsama tanılamalarını çizin ve zincirlerin birleştiğini ve yeterince büyük bir etkili örneklem boyutu sağladıklarını onaylayın.

Ardından, ilgilenilen parametreleri çizin ve değerlendirin. Örnek sonuçlar bu videonun bir sonraki bölümünde gösterilmektedir. İlk deney, görsel belirginliğin işlem hızı üzerindeki etkisini ölçtü.

Katılımcılar, bir arka plan deseninde sol veya sağ olmak üzere iki hedef çizgi segmentinden hangisinin önce titrediğine karar verdiler. Denemelerin yarısında, prob renkli bir patlamaydı. Veriler, daha önce tarif edilen TVA'dan türetilen TOJ modeli ile donatıldı.

Göze çarpan uyaranın faydası, prob için beşinci nokta dokuzuncu noktanın artan dikkat ağırlığı olarak dikkat durumunda görülebilir. Hiçbir hedefin göze çarpmadığı kontrol durumunda, beşinci noktanın nötr ağırlığı elde edildi, bu nedenle dikkat durumundaki probun dikkat ağırlığı güvenilir bir şekilde daha yüksekti. Sıfır, fark yok, 95 İGE'ye dahil edilmedi.

Probun bireysel ağırlıkları ve oradaki referans, göze çarpan uyaran avantajının, göze çarpmayan uyaranın 16 hertz'lik bir işlem hızı azalmasından kaynaklandığını göstermektedir. Muhtemelen göze çarpan hedef, göze çarpmayan hedefin işlenmesini bir dereceye kadar bastırır ve bu nedenle göreceli olarak fayda sağlar. İkinci deney, doğal görüntülerde tasvir edilen eylem alanındaki dikkat avantajlarını araştırdı.

TOJ için eylem alanı, yoklama ve arka plan nesneleri referansı ortaya çıktı. Bir kontrol deneyinde, sahne düzeni algısının bozulduğu görüntülerin baş aşağı versiyonları kullanılarak, eylem alanı avantajları olmayan bir taban çizgisi kaydedildi. Posterius parametresi, dikkat koşulunda bir eylem alanı avantajını gösterir.

Prob ağırlığı, beşinci noktanın nötr ağırlığından daha yüksektir. İlginç bir şekilde, bu aynı zamanda kontrol koşulunda da bulunur, bu da görüntü ters çevirmenin potansiyel eylem alanı avantajını ortadan kaldırmadığını düşündürür. Bu nedenle, büyük olasılıkla, sahnenin ters çevrilmesiyle ortadan kaldırılmayan belirginlik veya görünürlük gibi faktörlerin neden olduğu avantajlar.

Deney gücünün, aksiyon uzayı etkisini tespit etmek için çok düşük olma olasılığı, bu protokolün yazılı kısmında tartışılmaktadır. Üçüncü deneyde çevresel bir ipucu kullanılır, kodlama işlemleri arasındaki gecikmeyi modelleyen ek bir parametrede büyük bir etkiye yol açar. Bu deney, bu protokolün yazılı bölümünde ayrıntılı olarak tartışılmaktadır.

Sonuç olarak, bu makaledeki protokol, basit TOJ'lerin nasıl yürütüleceğini ve verilerin temel bir uyaran kodlama modeline dayalı olarak nasıl sığdırılacağını açıklar. Üç deneyde, sonuçların hiyerarşik Bayes tahmin çerçevesinde değerlendirilebileceğini gösterdik. Açılır ekranlardaki belirginliğin dikkat ağırlıklarının artmasına yol açtığını bulduk.

Ayrıca, doğal görüntülerdeki eylem alanı nesneleri için artan ağırlıklar tahmin edilmiştir, ancak devam eden avantaj nedeniyle, görüntüleri baş aşağı göstererek uzamsal ilişkiler bozulduğunda, başka bir dikkatsel faydanın ağırlık artışına yol açması muhtemeldir. Deney üçteki bir çevresel ipucu, kodlama işlemleri arasında ek bir gecikmeyi modelleyen bir parametre için büyük bir değere yol açtı. Protokolün avantajları, neredeyse keyfi uyaranları kullanabilen TOJ görevinin basitliğidir.

TVA'nın kapsamlı teorik temeli ve Bayes değerlendirme şeması. Belirginlik birçok çalışmada önemli bir rol oynamasına rağmen, sadece birkaçı görsel belirginliği ölçmeye çalışmıştır. Bununla birlikte, görsel belirginliği ölçmek, yönlendirme, renk veya hareket gibi farklı özellik boyutlarını karşılaştırmamızı sağlayacaktır.

Burada, renk kontrastının TVA'dan türetilen biçimsel modelin dikkat ağırlıkları üzerindeki etkisini araştırdık, belirginliği nicel olarak ve psikolojik olarak sağlam bir şekilde ölçmemize izin verdik. Bu protokolün başarısı için, hedef konumlarda zamansal sinyaller üreten sadece iki uyaranın olması çok önemlidir. TOJ'larda periferik ipuçları gibi ek uyaranları açıkça modellemek gelecekteki araştırmaların amacıdır.